使用对抗训练在真实扫描上完成未配对点云
本文通过自监督学习中的修补法算法 PointPnCNet,使用 LiDAR 数据进行点云补全,以解决遮挡问题,我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中,表现优于前人的无监督和弱监督方法。
Nov, 2021
本研究利用弱监督的方法,通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态,解决了学习未对准和真实世界部分点云的情况下,利用大量数据进行 3D 形状补全的问题。实验证明,学习姿势估计可以促进部分点云的配准。
Aug, 2020
该研究提出了一种新的任务 SCoDA,通过从合成数据到真实数据的领域自适应解决真实扫描形状完整性的问题,并使用一个新的数据集 ScanSalon 进行评估,提出了跨域特征融合方法和自我训练框架。实验证明改进了 6%至 7%的 mIoU。
Apr, 2023
Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.
Jul, 2023
本文提出了一种无监督的点云补全方法,不需要 3D 补全点云,只利用 2D 补全图像,使用单视角 RGB 图像提取 2D 特征,并使用融合模块将其与部分点云提取的 3D 特征相结合,以预测物体的完整形状。
Dec, 2022
本文提出了 PointCA,一种针对三维点云完形模型的对抗攻击方法,在考虑几何空间和特征空间的情况下定制扰动约束,令对抗点云的几何智能和分布自适应性得到提高。通过对不同点云完成网络的广泛实验,表明了 PointCA 攻击使得性能降低了约 60%,且结构 chamfer 距离低于 0.01。作者总结了现有的完形模型严重容易受到对抗样本的影响,并且点云分类的最新防御措施不适用于不完整和不均匀的点云数据。
Nov, 2022
ScanComplete 采用数据驱动方法,输入不完整的 3D 扫描场景数据,预测出完整的 3D 模型并附带像素级语义标签,主要贡献在于处理空间范围不同的大型场景,并且在完成质量和语义分割性能等方面都显著优于其他方法。
Dec, 2017